earticle

영어

Purpose: This study aims to develop a Human Activity Recognition (HAR) system capable of effectively classifying various actions, including falls, that may occur indoors by utilizing Wi-Fi Channel State Information (CSI) data. Method: Two Wi-Fi Access Points (APs) were positioned perpendicularly to collect CSI data. The collected data were used to train a model combining Long Short-Term Memory (LSTM) and an Attention mechanism to perform activity classification. Result: The proposed LSTMAttention model achieved a high accuracy of 97.6%, demonstrating superior or comparable performance to existing studies. In particular, by excluding phase information sensitive to environmental changes and focusing on amplitude data, the model achieved high classification performance without confusion between similar actions. Conclusion: This study demonstrated that the combination of amplitude information from CSI data and the LSTM-Attention model can effectively classify various actions, including falls. The proposed approach shows potential for reducing sensitivity to environmental changes and enabling stable indoor activity recognition.

한국어

연구목적: 본 연구는 Wi-Fi 채널 상태 정보(Channel State Information) 데이터를 활용하여 실내에서 발 생할 수 있는 낙상을 포함한 다양한 동작을 효과적으로 분류할 수 있는 인간 행동 인식 시스템(Human Activity Recognition)을 개발하고자 한다. 연구방법: 두 개의 Wi-Fi AP를 수직 및 수평 방향으로 배치하 여 CSI 데이터를 수집하였다. 수집된 데이터는 Long Short-Term Memory (LSTM)과 Attention 메커니 즘을 결합한 모델의 학습에 사용되어 동작 분류를 수행하였다. 연구결과: 제안된 LSTM-Attention 모델 은 97.6%의 높은 정확도를 기록하였으며, 이는 기존 연구와 비교해 우수하거나 유사한 성능임을 확인 하였다. 특히, 환경 변화에 민감한 위상 정보를 제외하고 진폭 데이터를 중심으로 학습을 진행한 결과, 유사한 동작 간의 혼란 없이 높은 분류 성능을 달성하였다. 결론: 본 연구는 CSI 데이터의 진폭 정보와 LSTM-Attention 모델의 결합을 통해 낙상을 포함한 다양한 동작을 효과적으로 분류할 수 있음을 입증 하였다. 특히, 제안된 방법은 환경 변화에 따른 민감성을 줄이고 안정적인 실내 행동 인식을 가능하게 하는 잠재력을 보여주었다.